基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。

一种基于HMRF模型的无监督图像分割算法

研究了基于隐马尔可夫随机场(HMRF)模型的无监督图像分割问题.对于每一阶模型的图像分割,该算法充分利用了相邻模型之间的相关信息,由此,该算法克服了均值场算法对初始化条件要求非常苛刻的缺点.而且,针对无监督图像分割的模型选择问题提出了带惩罚项的误差平方和阶次判定准则.实验结果证实本文提出的阶次判定准则优于伪似然信息准则(PLIC),并且,该算法具有满意的分割结果.

HMRF半监督近似核k-means算法

信息技术的发展催生了海量数据。聚类有助于发现数据的内在联系,从中挖掘有价值的信息。在对数据进行分析时,容易获得一些关于数据的背景知识,使用这些有限的先验信息指导聚类,可以显著改善聚类的结果。基于隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的半监督聚类使用成对约束作为监督信息,虽然在很多应用场景中有较好的聚类效果,但是其时间和空间复杂度很高,无法满足大规模数据处理的需要。针对该问题,文中首先分析了HMRF半监督聚类与核k-means的数学联系,使用矩阵的迹将两者的目标函数统一起来;然后,为了降低HMRF半监督聚类的复杂度,提出HMRF半监督近似核k-means算法(HMRF semi-supervised Approximate Kernel K-Means,HMRF-AKKM),通过采样构造近似核矩阵,使用近似核k-means优化聚类的目标函数;最后,在基准数据集上将HMRF-AKKM算法与相关的聚类算法进行对比,分析不同算法在实验中的聚类表现。实验结果表明,在相同的聚类任务上,HMRF-AKKM算法与原始的HMRF半监督聚类具有类似的聚类质量,但是HMRF-AKKM算法的聚类时间更短,说明HMRF-AKKM算法继承了HMRF半监督聚类与近似核k-means的优点。该算法一方面可以充分利用成对约束信息改善聚类质量,另一方面通过采样和矩阵近似提高了聚类效率,而且聚类质量和聚类效率可以通过调节采样比例和成对约束数量来平衡。因此,所提出的HMRF-AKKM算法具有良好的可扩展性,适合处理大规模非线性数据的聚类问题。

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

基于多节点拓扑重叠测度高阶MRF模型的图像分割

针对低阶马尔科夫随机场(Markov random field, MRF)模型难以有效表达自然图像中复杂的先验知识而造成误分割问题,提出一种基于多节点拓扑重叠测度高阶MRF模型(Higher-order MRF model with multi-node topological overlap measure, MTOM-HMRF)的图像分割方法.首先,为描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息,利用多节点拓扑重叠测度建立图像局部区域的高阶先验模型;其次,利用较大的局部区域包含更多的标签节点信息能力,基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型,提高分割模型的抗噪能力;再次,为有效描述观察图像场与其标签场的似然特征分布,研究利用局部区域内邻接像素的Hamming距离引入图像局部空间相关性,建立局部空间一致性约束的高斯混合分布;最后,基于MRF框架建立用于图像分割的多节点拓扑重叠测度高阶MRF模型,采用Gibbs采样算法对提出模型进行优化.实验结果表明,提出模型不仅能有效抵抗图像强噪声和复杂的纹理突变干扰,鲁棒性更好,而且具有更准确的图像分割结果.

基于改进模糊C均值算法的颈动脉超声图像分割

颈动脉的内中膜厚度(IMT)是预测心血管疾病(CVDs)病发程度的重要指标.本文研究并提出一种自动、高效的计算机辅助IMT测量算法,该算法依据先验知识自动提取感兴趣区域(ROI),并采用基于隐马尔可夫随机场(HMRF)模型改进的模糊C均值(FCM)算法分割图像,实现IMT的自动测量.实验结果表明,所提算法对超声图像噪声的鲁棒性较强,IMT自动测量结果与真实值(GT)有很高的一致性:两个数据集合的相关系数为98.52%,平均绝对误差为0.022 0?0.016 4 mm.

基于先验HMRF的MAP分块超分重建方法

针对高光谱图像应用最大后验概率(Maximum A Posteriori, MAP)超分重建后细节信息丢失严重问题,本文提出一种基于先验Huber马尔科夫随机场(Huber Markov Random Field, HMRF)模型的MAP分块超分辨率重建算法,以期提高图像超分重建质量。首先,利用主成分变换获取图像域的主要成分,在此基础上采用样条插值得到初始迭代图像;而后将初始图像域分为若干子块,在每个子块图像域上建立具有自适应阈值的HMRF模型,并结合子块图像域的保真项构建目标函数,采用梯度最快下降法求解此函数得到超分子块图像,将其重组,进而与插值后的次要成分图像相结合,最后应用主成分逆变换方法得到最终的高分辨率图像。为了验证本文算法的有效性与优越性,分别对模拟和真实图像采用本文方法和具有代表性的Tikhonov、总变分及传统HMRF模型超分重建方法进行实验对比,其中本文方法重建结果在峰值信噪比和结构相似性定量评价方面明显优于其他方法重建结果,在定性评价方面边缘结构及细节信息也更加明显,表明本文算法较为突出。